本文系统梳理了AI工程化关键技术，涵盖从数据预处理到模型推理的完整流程。在预处理阶段，重点介绍了Byte-pair Encoding等分词技术和BERT等向量化方法。核心架构方面，详细分析了Transformer及其变体（如FlashAttention、MoE专家系统）、RLHF强化学习框架和思维链推理技术。优化方案包括1-bit量化、推测解码等前沿方法，以及模型蒸馏和状态空间模型等轻量化技术。此

FastTracker：新一代通用多目标跟踪框架 摘要：针对当前多目标跟踪系统在非行人场景泛化能力不足的问题，FastTracker提出创新解决方案。该系统采用"检测后跟踪"范式，创新性地引入两项关键策略：1)"遮挡感知"机制通过速度抑制和检测框放大处理严重遮挡问题；2)"道路结构感知"利用语义场景先验修正轨迹。实验表明，FastTrac

大语言模型（LLM）是非常庞大的深度学习模型，它们在大量数据上进行预训练。其底层的Transformer是一组神经网络，由具有自注意力能力的编码器和解码器组成。编码器和解码器从文本序列中提取含义，并理解其中单词和短语之间的关系。Transformer神经网络架构允许使用非常大的模型，这些模型通常包含数千亿个参数。如此大规模的模型可以摄取大量数据，这些数据通常来自互联网，也可以来自如包含超过500亿

本文提出了一种名为Prompt基础三维检测器（PF3Det）的新型多模态三维目标检测方法，旨在解决自动驾驶领域中LiDAR点云与相机图像融合的挑战。PF3Det通过结合基础模型编码器和软Prompt技术，有效融合了LiDAR和相机的特征，提升了检测性能。实验结果表明，在nuScenes数据集上，PF3Det在有限训练数据的情况下，显著提高了NDS和mAP指标，展示了其在三维检测中的高效性。该方法通

分布式训练的动机很简答：单节点算力和内存不足，因此不得不做分布式训练。训练机器学习模型需要大量内存。假设一个大型神经网络模型具有 1000 亿的参数（LLM 时代有不少比这个参数量更大的模型），每个参数都由一个 32 位浮点数（4 个字节）表达，存储模型参数就需要 400GB 的内存。在实际中，我们需要更多内存来存储激活值和梯度。假设激活值和梯度也用 32 位浮点数表达，那么其各自至少需要 400

EMMA基于多模态大语言模型（MLLM）构建，通过将所有非传感器输入（如导航指令和车辆状态）和输出（如轨迹和3D位置）表示为自然语言文本，最大限度地利用了预训练的大语言模型中的世界知识，在实现端到端运动规划基础上，通过混合训练，还将EMMA构建为一个通才模型，实现3D 世界感知，识别周围物体/道路图/交通条件等功能。浮夸与务实交织的行业生态，使得技术真伪的辨识愈发困难。需要强调的是，行业内常说的两

由于不同国家和地区的车辆行驶环境的差异化，导致测试场景数据的具有很强的地域属性。大家可以想象一下，在美国地区测试完全安全的自动驾驶系统，如果放在中国这样交通环境更加复杂的国家去测试，系统必然会碰到之前没有遇到过的“CornerCase”，那么车辆的安全性将依然是没有保障的。一位仿真专业人士曾在他的文章里讲到过：“在自动驾驶仿真中，是很难有‘参数标定’这个过程的，因为‘真实试验’对安全员有高危性，并

本文详细介绍了如何使用CLion进行远程调试，旨在帮助开发者解决在远程开发环境中进行代码调试的难题。文章首先概述了远程调试的概念和重要性，强调了其在提高开发效率和代码质量方面的作用。接着，详细阐述了在CLion中配置远程调试环境的步骤，包括设置远程主机、配置调试器、上传代码等关键操作。此外，文章还分享了一些远程调试的技巧和注意事项，如优化调试性能、处理调试过程中的常见问题等。通过本文的指导，开发者

LeGO-LOAM全称为：Lightweight and Groud-Optimized Lidar Odometry and Mapping on Variable Terrain，从标题可以看出 LeGO-LOAM 为应对可变地面进行了地面优化，同时保证了轻量级。LeGO-LOAM是专门为地面车辆设计的SLAM算法，要求在安装的时候Lidar能以水平方式安装在车辆上；如果是倾斜安装的话，也要进

表面结构可以通过表面平整度、表面氧化和吸水性进一步描述。电池组中的这些接头将采用焊接或螺栓连接方式。最初最容易想到的是螺栓母线接头。螺栓扭矩可用于估算力，从而估算接触压力。实际上，连接表面并不是完全平坦的。表面粗糙度将有效减少实际电接触面积。因此，如果这些元表面中的两个在非常低的压力下聚集在一起，表面上的孤立点就会接触。电流将在这些限制点处遇到更高的电阻。除了电流密度大大增加之外，电流线的收缩还会